Panduan Data Science: Statistika, Python, SQL, sampai Portofolio

Statistika deskriptif adalah bahasa harian pekerjaan data. Rata-rata menunjukkan pusat data, median menunjukkan nilai tengah yang tahan terhadap pencilan, dan simpangan baku menunjukkan seberapa jauh data menyebar dari pusatnya. Pada data gaji atau harga rumah, rata-rata sering tertarik ke atas oleh beberapa nilai ekstrem, sehingga median memberi gambaran yang lebih jujur. Kebiasaan membandingkan keduanya sudah melatih cara berpikir seorang analis.

Langkah berikutnya probabilitas, distribusi normal, dan uji hipotesis sederhana. Pertanyaan yang dijawab di sini selalu serupa: apakah selisih yang terlihat cukup besar untuk dipercaya, atau masih mungkin muncul karena kebetulan dari sampel yang kecil. Korelasi juga dipelajari di tahap ini lengkap dengan batasnya, sebab dua kolom yang bergerak bersama belum tentu saling menyebabkan.

Dari sisi matematika, aljabar linear dasar seperti vektor dan matriks serta gagasan kemiringan yang mendasari gradient descent sudah cukup untuk memulai. Latihan yang efektif: kerjakan satu soal dengan tangan, hitung ulang dengan pandas, lalu bandingkan hasilnya. Kaitkan setiap konsep dengan data yang dikenal, misalnya sebaran nilai ujian satu kelas atau catatan pengeluaran bulanan. Roadmap di panduan ini menyisihkan sekitar enam sampai delapan minggu untuk fondasi ini, dan panduan otodidak menjalankannya beriringan dengan Python.

Sebagian besar data perusahaan tersimpan di database relasional, dan SQL adalah cara mengambilnya. Lima perintah inti menopang mayoritas analisis harian: SELECT untuk memilih kolom, WHERE untuk menyaring baris, ORDER BY untuk mengurutkan, GROUP BY untuk mengelompokkan, dan JOIN untuk menggabungkan tabel. Fungsi agregat COUNT, SUM, AVG, MIN, dan MAX melengkapinya, ditambah LIMIT, BETWEEN, IN, dan LIKE untuk kebutuhan sehari-hari.

Hal yang paling membingungkan pemula adalah urutan eksekusi. Query ditulis mulai dari SELECT, sementara database memprosesnya mulai dari FROM, lalu WHERE, GROUP BY, HAVING, SELECT, ORDER BY, dan terakhir LIMIT. Urutan ini menjelaskan kenapa alias kolom yang dibuat di SELECT belum dikenal di WHERE, dan kenapa kondisi seperti COUNT(*) > 10 harus ditaruh di HAVING. WHERE menyaring baris mentah sebelum pengelompokan, HAVING menyaring hasil kelompok sesudahnya.

JOIN membawa jebakannya sendiri. Hasil INNER JOIN berisi baris yang punya pasangan di dua tabel sekaligus, sedangkan LEFT JOIN membawa seluruh isi tabel kiri walau sebagian tak berpasangan. Di SQLite dan MySQL, JOIN tanpa kondisi ON menjadi cross join yang melipatgandakan baris, jadi biasakan memeriksa jumlah baris hasil setiap kali menggabungkan tabel. Kebiasaan lain yang perlu dijaga adalah memberi tanda kurung saat mencampur AND dan OR. Latihan pertama paling ringan di SQLite, lalu pindah ke PostgreSQL atau MySQL. Dengan latihan sekitar satu jam sehari, dasar SQL umumnya terbentuk dalam tiga sampai empat minggu.

Machine learning pertama yang dipelajari adalah supervised learning dengan dua kasus dasar. Regresi memperkirakan angka, misalnya harga rumah dari luas dan lokasi. Klasifikasi memilah kategori, misalnya ulasan positif atau negatif. Algoritma pengantarnya regresi linear, regresi logistik, decision tree, dan random forest. scikit-learn menyajikan semuanya dengan pola yang seragam, fit untuk melatih dan predict untuk memprediksi, sehingga perhatian pembelajar bisa tercurah pada cara kerja modelnya.

Kebiasaan paling penting di tahap ini adalah memisahkan data latih dan data uji sejak awal dengan train_test_split. Model dinilai pada data yang belum pernah dilihatnya, sebab model yang dinilai pada data latihnya sendiri hampir selalu tampak hebat. Kebiasaan kedua adalah membandingkan model dengan baseline, yaitu tebakan paling sederhana seperti memprediksi rata-rata untuk regresi atau kelas terbanyak untuk klasifikasi. Model yang kalah atau seri dengan baseline belum menemukan pola yang berguna.

Kuasai satu algoritma sampai paham kenapa ia memberi hasil tertentu, baru berpindah ke algoritma berikutnya. Pembelajar yang paham regresi linear bisa menjelaskan arti koefisiennya, dan pembelajar yang paham decision tree bisa menunjukkan pertanyaan apa yang diajukan pohon di tiap cabangnya. Dataset klasik yang kecil cocok untuk tahap ini karena hasilnya bisa diperiksa dengan akal sehat. Roadmap memberi tahap ini sekitar delapan sampai sepuluh minggu.

Proyek end-to-end merangkai semua tahap tadi menjadi satu alur: rumuskan pertanyaan, ambil data dengan SQL atau dari berkas, bersihkan dan eksplorasi, latih beberapa model bila pertanyaannya menuntut prediksi, evaluasi, lalu tulis kesimpulan. Urutannya dimulai dari pertanyaan, baru kemudian dataset. Pertanyaan seperti faktor apa yang paling memengaruhi keterlambatan penerbangan, atau pola musiman apa yang muncul pada harga komoditas, memberi arah yang jelas dan terbaca oleh siapa pun yang membuka proyeknya.

Dataset bisa diambil dari data.go.id, Badan Pusat Statistik, Kaggle, repositori UCI, atau API publik. Periksa lisensinya, catat sumber dan tahunnya, dan pastikan tidak ada data pribadi sensitif yang ikut terunggah. Dataset yang sedikit berantakan memberi ruang untuk menunjukkan kemampuan membersihkan data, sedangkan dataset yang terlalu populer membuat proyek sulit dibedakan dari ribuan proyek serupa.

Pertanyaan deskriptif cukup dijawab dengan analisis dan visualisasi yang tajam, dan machine learning dipakai ketika pertanyaannya memang menuntut prediksi atau pengelompokan. Kesimpulan ditulis dalam tiga sampai lima kalimat untuk pembaca non-teknis, menyebut temuan utama, keterbatasan data, dan hal yang layak dieksplorasi berikutnya. Satu proyek utuh umumnya rampung dalam dua sampai lima minggu sambil belajar.

Hambatan pembelajar data science cenderung berulang. Yang paling umum adalah lingkaran tutorial: mengikuti puluhan video tanpa pernah menyelesaikan proyek sendiri. Yang kedua melompat ke deep learning sebelum statistika dan machine learning dasar kokoh, sehingga model berjalan tetapi hasilnya tak bisa dijelaskan. Yang ketiga berganti kursus terus-menerus sampai tidak satu pun tuntas. Yang keempat menunda SQL karena terlihat sederhana, sementara seleksi kerja data hampir selalu mengujinya.

Ritme mingguan membantu keluar dari pola itu. Roadmap dari nol memakai patokan delapan sampai sepuluh jam seminggu, dan banyak pembelajar otodidak memakai sepuluh sampai lima belas jam. Tetapkan satu keterampilan inti per minggu, belajar di jam yang sama tiap hari meski hanya tiga puluh menit, kerjakan minimal satu latihan koding dengan data asli, dan sisihkan akhir pekan untuk proyek. Catat satu hal yang baru dipahami dan satu hal yang masih membingungkan.

Evaluasi bulanan cukup dengan dua pertanyaan: keterampilan apa yang bertambah dan proyek apa yang selesai. Kalau satu topik terasa buntu terlalu lama, mengulang dasar di tahap sebelumnya biasanya lebih menolong daripada memaksa maju. Umpan balik dari orang yang lebih berpengalaman, lewat komunitas data atau tutor, mempercepat perbaikan pada hal yang sulit terlihat sendiri, misalnya kebocoran data antara data latih dan data uji.